XiaoMi-AI文件搜索系统
World File Search System全脑
迈向动态全脑的有效验证......
朝着动态全脑模型的有效验证迈进 Kevin J. Wischnewski 1,2、Simon B. Eickhoff 1,2、Viktor K. Jirsa 3 和 Oleksandr V. Popovych 1,2,* 1 德国于利希研究中心神经科学和医学研究所 - 大脑和行为（INM-7），德国于利希 2 德国杜塞尔多夫海因里希海涅大学系统神经科学研究所，德国杜塞尔多夫 3 法国艾克斯-马赛大学 INSERM 系统神经科学研究所（INS，UMR1106）* 通讯作者 摘要 通过数学全脑模型模拟静息状态的大脑动态需要对参数进行最佳选择，这决定了模型复制经验数据的能力。由于通过网格搜索（GS）进行参数优化对于高维模型来说是不可行，我们评估了几种替代方法来最大化模拟和经验功能连接之间的对应性。密集 GS 作为评估四种优化方案性能的基准：Nelder-Mead 算法（NMA）、粒子群优化（PSO）、协方差矩阵自适应进化策略（CMAES）和贝叶斯优化（BO）。为了对它们进行比较，我们采用了一组耦合相位振荡器，该振荡器基于 105 名健康受试者的个体经验结构连接而构建。我们从二维和三维参数空间中确定最佳模型参数，并表明测试方法的整体拟合质量可以与 GS 相媲美。然而，所需的计算资源和稳定性特性存在明显差异，在提出 CMAES 和 BO 作为高维 GS 的有效替代方案之前，我们还对这些差异进行了研究。对于三维情况，这些方法产生的结果与 GS 相似，但计算时间不到 6%。我们的结果有助于有效验证用于个性化大脑动力学模拟的模型。简介继 Biswal 等人的开创性工作之后。1 ，神经影像学研究的注意力转向了静息状态的大脑活动 2,3 。在任务诱发的功能网络和从静息时的人脑活动中观察到的相应连接模式之间发现的相似性强烈地激发了对后者的研究 1,4,5 。人们开发了大量的静息状态动力学研究方法和应用。一方面，它们旨在了解大脑的结构和功能，另一方面，旨在区分健康和患病的个体 6-12 。通过动态全脑模型对复杂的时空大脑活动模式进行数值模拟，为实现这两个目标提供了一条有希望的途径 13-19 。数据驱动的动态模型允许将有关人类大脑的解剖信息纳入其动态特性的模拟中。换句话说，它们使研究人员能够研究大脑结构和功能之间的关系，特别关注后者是否以及如何从前者中产生，以及它们如何相互关联 13-19 。此外，模型提供了一种快速的计算机实验方法来研究和比较不同的大脑分区、网络配置和数据预处理参数，这又有助于更深入地了解大脑结构和动态之间的相互作用 20-22 。所讨论的建模方法的另一个优点是
全脑突触输入至内侧杏仁核中芳香化酶表达神经元表明存在调节社会行为的复杂回路
在这里，我们使用狂犬病追踪和光片显微镜揭示了对大脑区域的客观看法，这些区域为内侧杏仁核中表达芳香化酶的细胞提供特定输入，这些神经元在产生性别特异性社会行为方面发挥着巨大作用。虽然这些细胞的下游投射是已知的，但对内侧杏仁核中表达芳香化酶的细胞的具体输入仍然未知。我们观察到与内侧杏仁核建立的连接（例如，终纹床核和副嗅球），这表明芳香化酶神经元是传出输入的主要靶细胞类型，包括来自与养育和攻击相关的区域。我们还从涉及新陈代谢、恐惧和焦虑以及记忆和认知的区域发现了新的和意想不到的输入。这些结果证实了内侧杏仁核在性别特定的社会认知和社会行为中的核心作用，并指出其芳香化酶表达神经元在整合多种感觉和稳态因素方面发挥着更广泛的作用，这些因素可能用于调节许多其他社会行为。
PyZebraScope：用于斑马鱼全脑神经活动成像的开源平台
。CC-BY-NC-ND 4.0 国际许可下可用（未经同行评审认证）是作者/资助者，他已授予 bioRxiv 永久展示预印本的许可。它是此预印本的版权持有者此版本于 2022 年 2 月 15 日发布。；https://doi.org/10.1101/2022.02.13.480249 doi：bioRxiv 预印本
纵向全脑功能网络变化...
LONGITUDINAL WHOLE-BRAIN FUNCTIONAL NETWORK CHANGE PATTERNS OVER A TWO-YEAR PERIOD IN THE ABCD DATA Rekha Saha, Debbrata K. Saha, Md Abdur Rahaman, Zening Fu, Vince D. Calhoun Tri-institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State University, Georgia Institute of Technology, and Emory University, Atlanta, GA 30303抽象功能网络连接（FNC）是评估大脑网络之间时间依赖性的有用度量。内在功能的纵向变化引起了极大的兴趣，但是迄今为止，几乎没有关注FNC变化随发展的多元模式。在本文中，我们提出了一种新型方法，该方法使用FNC矩阵来估计多重重叠的脑功能变化模式（FCP）。我们将这种方法应用于大规模的青少年大脑和认知发展（ABCD）数据。结果揭示了几个高度结构化的FCP，显示了两年内的重大变化，包括视觉（VS）和感觉运动（SM）域之间的大脑功能连接性。这种FNC表达的模式随着年龄的增长而变得更强。我们还发现了男性和女性之间的变化差异模式。我们的方法提供了一种评估纵向数据中整个大脑功能变化的有力方法。
人类非快速眼动睡眠促进全脑血管运动和呼吸脉动
版权所有 © 2022 Helakari 等人。这是一篇开放获取的文章，根据知识共享署名 4.0 国际许可条款分发，允许在任何媒体中不受限制地使用、分发和复制，前提是正确署名原始作品。
全脑血管图：图学习和神经科学的数据集和基准（VesselGraph）
生物神经网络定义了人类和其他哺乳动物的大脑功能和智力，并形成了超大的空间结构图。它们的神经元组织与大脑微血管的空间组织紧密相连，微血管为神经元提供氧气并构建互补的空间图。这种血管（或血管结构）在神经科学中起着重要作用；例如，血管结构的组织（和变化）可以代表各种病理的早期迹象，如阿尔茨海默病或中风。最近，组织透明化的进展使得全脑成像和小鼠大脑血管整体分割成为可能。基于这些成像方面的进展，我们将基于特定的成像协议提供可扩展的全脑血管图数据集。具体来说，我们使用一种利用体积渲染引擎 Voreen 的改进图形提取方案来提取血管图，并通过 OGB 和 PyTorch Geometric 数据加载器以可访问且适应性强的形式提供它们。此外，我们使用引入的血管图数据集对许多最先进的图学习算法在血管预测和血管分类的生物学相关任务上进行了基准测试。我们的工作为推进图学习研究进入神经科学领域铺平了道路。作为补充，所呈现的数据集为机器学习社区提出了具有挑战性的图学习研究问题，包括将生物学先验纳入学习算法，或扩展这些算法以处理具有数百万个节点和边的稀疏空间图。1
全脑突触输入芳香酶
在这里，我们使用狂犬病追踪和光片显微镜揭示了对大脑区域的客观看法，这些区域为内侧杏仁核中表达芳香化酶的细胞提供特定输入，这些神经元在产生性别特异性社会行为方面发挥着巨大作用。虽然这些细胞的下游投射是已知的，但对内侧杏仁核中表达芳香化酶的细胞的特定输入仍然未知。我们观察到与内侧杏仁核（例如，终纹床核和副嗅球）的已建立连接，这表明芳香化酶神经元是传出输入的主要靶细胞类型，包括来自与养育和攻击相关的区域。我们还从涉及新陈代谢、恐惧和焦虑以及记忆和认知的区域发现了新的和意想不到的输入。这些结果证实了内侧杏仁核在性别特异性社会 14 识别和社会行为中的核心作用，并指出其芳香化酶表达神经元在 15 多种感觉和稳态因素的整合中发挥着更广泛的作用，这些因素可能用于调节许多其他 16 社会行为。 17
快速全脑fMRI分析的空间3DMatérn先验
摘要。贝叶斯全脑功能磁共振成像（fMRI）分析具有三维空间平滑先验，已证明无需预先张开数据，就可以制定最先进的活动图。所提出的推理算法在计算上是要求的，并且所使用的空间序列具有多种吸引力的属性，例如不当和有限的空间范围。我们根据Mat'ern协方差函数类别提出了一个用于全脑功能磁共振成像分析的统计推理框架。框架工作使用了可能各向异性的空间垫子的高斯马尔可夫随机场（GMRF）表示，通过Lindgren等人的随机部分差异方程（SPDE）方法。（2011）。这允许更加灵活，可置换的空间先验，同时保持在高维全脑环境中快速推断所需的稀疏性。我们开发了一种加速的随机梯度下降（SGD）优化算法，用于空间超参数的经验贝叶斯（EB）推断。有条件地，在推断的超参数上，我们对大脑活动进行了完全贝叶斯的治疗。使用活动图，先前的模拟和交叉验证的比较，将Mat'Mater的先验应用于模拟和实验性任务-FMRI数据，并清楚地表明，它比先前使用的先验更合理的选择。
从局部记录神经潜力的局部记录的皮质全脑活动
抽象目标。从脑表面的神经活动的电记录已广泛用于基础神经科学研究和临床实践中，用于研究神经回路功能，脑部计算器界面和神经系统疾病的治疗方法。传统上，这些表面电位被认为主要反映了局部神经活动。尚不清楚在多个皮质区域的神经活动中本地记录的表面电位有多信息。方法。为了调查这一点，我们在清醒的头部固定小鼠中同时进行局部电气记录和宽场钙成像。使用复发性神经网络模型，我们尝试从局部电记录中解码多个皮质区域的钙荧光活性。主要结果。可以从局部记录的表面电位解码不同皮质区域的平均活性。此外，每个表面电势的频带差异地编码了来自多个皮质区域的活性，因此在解码模型中包括所有频段都具有最高的解码性能。尽管记录通道之间的间距很紧密，但来自不同通道的表面电势提供了有关大规模皮质活动的互补信息，并且随着更多的通道包括更多的通道，解码性能仍在继续改善。最后，我们使用局部记录的表面电势证明了像素级上整个背皮层活性的成功解码。意义。这些结果表明，本地记录的表面电位确实包含了大规模神经活动的丰富信息，可以进一步将其解散以恢复各个皮质区域的神经活动。将来，我们的交叉模式推断方法可以适应实际上重建宽皮质的大脑活动，从而大大扩展了表面电记录的空间范围而不会增加侵入性。此外，它可以用来促进自由移动动物的整个皮质中的神经活动，而无需进行头部固定显微镜构型。
利用 3D 压缩感知 SENSE 低秩 1H FID-MRSI 进行全脑高分辨率代谢物映射
图 2 顶部，3D FID-MRSI 重建代谢物体积，具有回顾性加速。完全采样采集（无加速）在 70 分钟内完成，加速因子对应于 k 空间欠采样并相应地减少采集时间（例如 3，24 分钟；6，12 分钟）。彩色图针对从 0 到第 95 个百分位数的每个代谢物范围单独缩放。底部，在所有加速因子下相对于未加速结果为每个代谢物图计算的归一化 RMSE 和 SSIM。显示了来自两个不同位置的样本光谱，它们随加速度（无、3、5）的变化很小。LCModel 拟合与拟合残差一起显示。左下方，整个大脑平均残差的 RMS 随加速度保持不变